Cosa fanno Data Scientist e ML Engineer? Modelli che arrivano in produzione

Un Data Scientist trova il segnale nei dati e prototipa modelli che predicono o classificano. Un ML Engineer trasforma modelli promettenti in sistemi di produzione affidabili: pipeline di training, serving, monitoraggio e rollback. Nei team piccoli una persona può coprire entrambi.

Vi spiego il ruolo in concreto: cosa fa davvero la persona, quali competenze servono e quando ha senso assumere — senza fumo di parole vuote.

Cosa fa nel concreto

Nella pratica, il ruolo include:

• Inquadrare problemi ML, preparare le feature, addestrare e valutare i modelli.
• Correre esperimenti e comunicare l’incertezza con onestà.
• Rilasciare servizi di modello, job batch e pipeline di feature (ML Eng).
• Dopo il lancio, monitorare drift, latenza, costo e impatto di business.
• Col product, scegliere i casi in cui l’ML batte le regole.

Competenze che contano davvero

Gli strumenti cambiano, le basi restano:

• Python, librerie di statistica/ML, tracking degli esperimenti
• Per l’ML Eng: serving, container, MLOps, pipeline dati
• SQL solido e senso dei dati; inquadrare il dominio
• Per le app LLM: valutazione, RAG, guardrail, controllo dei costi

Quando ha senso assumere

Quando regole e dashboard non bastano: raccomandazioni, forecast, frode, ranking o funzioni LLM da valutare ed esercire — non da mostrare una volta.

In sintesi

Il fallimento caro è un notebook che non diventa mai un servizio monitorato. Assumete per il percorso verso la produzione, non solo per slide di accuracy.